Bagaimana pembelajaran mesin membebaskan kreativitas dan strategi bagi pemasar

Bagaimana pembelajaran mesin membebaskan kreativitas dan strategi bagi pemasar

Kami sangat antusias untuk menghadirkan Rework 2022 kembali secara langsung pada 19 Juli dan 20 – 28 Juli secara digital. Bergabunglah dengan AI dan para pemimpin information untuk pembicaraan yang berwawasan luas dan peluang jaringan yang menarik. Daftar hari ini!


Kecerdasan buatan (AI) dan pembelajaran mesin (ML) telah dihipnotis secara besar-besaran selama bertahun-tahun. Saat ini tampaknya setiap perusahaan adalah perusahaan AI/ML — dan kenyataannya, seperti yang dikatakan oleh peneliti, ilmuwan, dan futuris Amerika Roy Amara, “Kami cenderung melebih-lebihkan efek teknologi dalam jangka pendek dan meremehkan efeknya dalam jangka pendek. jangka panjang.”

Ketika teknologi baru dikembangkan atau digunakan, orang sering membicarakannya tiba-tiba mengubah segalanya dalam beberapa tahun ke depan. Namun, kami juga cenderung meremehkan efeknya sepenuhnya, terutama jika itu adalah jenis teknologi yang secara mendasar dapat mengubah cara kami memecahkan masalah pemasar dan berinteraksi dengan pelanggan. Jika kita ingin memanfaatkan sepenuhnya manfaat AI dan ML, penting untuk terlebih dahulu memahami teknologinya dan membedakan antara fakta dan fiksi tentang cara kerjanya saat ini. Hanya dengan begitu kita dapat memahami apa yang nyata, bagaimana teknologi ini dapat menjadi transformatif, dan bagaimana pembelajaran mesin dan AI dapat membebaskan kreativitas dan pemikiran strategis untuk pemasar.

Pembelajaran mesin dimulai dengan information

Tanpa kemampuan untuk menganalisis information, mengidentifikasi pola, dan menggunakannya, information secara efektif tidak berguna. Mesin adalah pengoptimal yang kejam yang dapat mengatur information pada tingkat yang tidak mungkin direplikasi oleh manusia. Namun, ini juga bekerja secara terbalik, karena mesin saat ini tidak dapat meniru pemikiran dan strategi kreatif yang dapat dihasilkan dan dijalankan oleh manusia. Information yang dioptimalkan melalui mesin dengan pembelajaran mesin memberi pemasar kemampuan luar biasa untuk membuat keputusan yang paling tepat dan kemudian menerapkan strategi kreatif untuk mencapai hasil yang diinginkan.

Pembelajaran mesin untuk pemasar: Mengajukan pertanyaan yang tepat

Hal-hal yang penting bagi perusahaan dan individu adalah keputusan dan tindakan. Dulu ketika saya biasa berkonsultasi dengan perusahaan besar yang menghabiskan jutaan atau puluhan juta untuk “strategi information” atau space yang sama-sama buruk, saya sering menyarankan bahwa sebelum mereka mulai khawatir tentang information yang perlu mereka kumpulkan, mereka harus mulai dengan keputusan apa dan tindakan yang perlu mereka ambil sebagai bisnis. Mulai dari perspektif itu, bisnis dapat bertanya pada diri sendiri: Keputusan apa yang Anda harap dapat Anda buat dengan lebih cerdas dan lebih cepat? Apakah Anda secara struktural dibentuk sebagai organisasi untuk membuat keputusan tersebut? Setelah itu ditentukan, Anda kemudian dapat mengajukan pertanyaan seperti, informasi apa yang saya perlukan untuk membuat keputusan ini lebih cepat dan lebih cerdas? Dan keputusan mana yang dapat diotomatisasi?

Jadi, di mana pembelajaran mesin masuk? Kategori masalah mana yang dapat membantu kita? Untuk menjawab pertanyaan-pertanyaan ini, pertama-tama berguna untuk memahami keterbatasan teknologi ini. ML tidak meniru sifat umum dan kemampuan beradaptasi yang luar biasa dari kecerdasan manusia — sebagai gantinya (dan secara konsisten dengan teknologi lain) ML menambah kecerdasan manusia dan memecahkan serangkaian masalah yang lebih spesifik dengan kemampuan manusia tremendous. Untuk mengetahui apakah ML dapat diterapkan pada suatu masalah, kumpulan pertanyaan berikut berguna:

  • Bisakah manusia menyelesaikan tugas spesifik yang diperlukan dalam waktu kurang dari 2 detik? (Ini adalah perkiraan kasar; kita belum mencapai titik pemecahan masalah yang lebih kompleks dari ini.)
  • Apakah berharga untuk memecahkan masalah ini berulang kali dalam skala besar (misalnya, miliaran kali dengan sangat cepat)?
  • Apakah berharga untuk melakukan tugas ini berulang kali, kuat, dan konsisten?
  • Bisakah kita mengukur “keberhasilan” secara numerik?

Jika Anda dapat menjawab “ya” untuk pertanyaan-pertanyaan ini, maka Anda memiliki masalah yang sangat cocok untuk menerapkan pembelajaran mesin. (Menariknya, ini juga merupakan jenis tugas yang sangat sulit dilakukan manusia karena kita bosan, terganggu, dan lelah!) Ini mungkin tampak sangat membatasi, tetapi banyak masalah yang masuk ke dalam keranjang “ya”, seperti mengidentifikasi e-mail spam, mendeteksi penipuan , mengoptimalkan harga, dan memahami bahasa.

Memecahkan masalah pemasar dengan pembelajaran mesin

Ketika datang ke pemasaran dan periklanan, ada seluruh kategori masalah yang juga cocok dengan ember “ya”. Mendeteksi komposisi audiens dan perubahan perilaku dari waktu ke waktu, memprediksi apakah iklan akan mengarahkan calon pelanggan mengunjungi situs saya berdasarkan konten artikel yang mereka baca, dan menyetel ribuan parameter untuk memastikan anggaran dihabiskan secara efisien dan efektif, semuanya merupakan pemasaran masalah.

Ada juga masalah yang tidak sesuai dengan kategorisasi ini, seperti: bagaimana cara menyampaikan pesan kompleks saya dengan cara yang memotong kebisingan? Bagaimana cara saya terhubung secara efektif dengan audiens yang saat ini tidak saya sukai? Bagaimana cara menyeimbangkan tujuan jangka panjang dan jangka pendek?

Pembelajaran mesin bukanlah keajaiban: ia dapat memberi pemasar kemampuan manusia tremendous untuk menemukan pola dalam information guna memperdalam pemahaman kita, mengoptimalkan penyampaian terhadap tujuan yang telah ditentukan dengan baik, bereaksi terhadap perubahan dengan cepat dan rasional, dan menjalankan ide kita secara dapat diprediksi, dengan lebih sedikit gesekan dan lebih banyak umpan balik

Berinteraksi dengan pelanggan secara actual time

Untuk pemasaran, banyak informasi dan pola yang berguna berkaitan dengan perilaku pelanggan. Kampanye digital sangat kurang efektif ketika tidak mampu merespons perubahan kondisi saat ini. Sebagai ilustrasi, jika Anda menjual pembuat kopi gourmand, Anda ingin menjangkau orang-orang yang masih tertarik untuk membelinya, bukan mereka yang telah menelusuri on-line selama seminggu terakhir dan membelinya kemarin. Setiap orang pernah mengalami berbelanja on-line untuk suatu produk, setelah itu tiba, dan kemudian setiap perangkat dan platform mereka menggunakan spam mereka dengan produk yang sama berulang kali untuk minggu depan. Meskipun ini mungkin berguna untuk produk yang biasanya terus dibeli pelanggan (deterjen, perlengkapan mandi, dll.), kebanyakan orang hanya membutuhkan satu pembuat kopi gourmand.

Tidak hanya information waktu nyata memastikan bahwa kampanye menjangkau orang yang tepat, tetapi juga memungkinkan pemasar untuk menanggapi perubahan kondisi pasar. Dengan menggabungkan pembelajaran mesin dengan information waktu nyata, pemasar dapat melihat hasil secara langsung, alih-alih menunggu hasil di akhir kampanye. Ini berarti merek dapat mendeteksi dan memanfaatkan hal-hal seperti acara Netflix yang baru-baru ini dirilis atau yang sedang tren di Twitter, atau bahkan mengatasi dinamika yang berubah dengan cepat dalam rantai pasokan. Jika ada sesuatu yang telah dipelajari oleh merek selama beberapa tahun terakhir, peristiwa dunia dapat memengaruhi perilaku dan pola belanja dalam sekejap.

Meskipun mesin dapat menangani analisis information seputar demografi, perilaku penelusuran net, dan pembelian sebelumnya, memiliki pemasar kreatif yang tepat — yang dapat menghubungkan tren saat ini dengan sasaran kampanye dan memastikan pertanyaan yang tepat diajukan tentang mesin — adalah yang membedakan kampanye dari yang hebat. Meminjam kutipan hebat lainnya, kali ini dari Alan Kay, “Hal-hal sederhana harus menjadi sederhana, hal-hal kompleks harus menjadi mungkin”. Selain membantu kami mendapatkan wawasan dan pemahaman yang lebih mendalam tentang perilaku audiens, teknologi hebat juga akan memudahkan pemasar untuk bereaksi terhadap informasi ini dengan menampilkan ide kreatif baru dalam hitungan menit, bukan bulan.

Bisakah ML memprediksi masa depan?

Memprediksi masa depan tidak mungkin. Tetapi teknologi pembelajaran mesin yang dikombinasikan dengan information waktu nyata dapat memungkinkan pemasar untuk memahami tren yang muncul dan perubahan perilaku saat itu terjadi dan membuatnya mudah untuk bereaksi terhadap perubahan ini dengan membuat kampanye yang dioptimalkan secara otomatis langsung dalam hitungan menit dan melihat apakah mereka bekerja dalam hitungan jam dan hari . Kemajuan sejati adalah tentang belajar, dan tentang menguji strategi dan ide.

Dampak yang diremehkan yang akan dimiliki ML pada industri teknologi iklan selama dekade berikutnya tidak akan disebabkan oleh ide-ide yang dihasilkan AI atau pengurangan dolar yang dihabiskan untuk operasi yang akan terwujud; dampak besar akan datang dari memperpendek kesenjangan antara strategi pemasaran, wawasan, ide dan eksekusi dan dari memungkinkan kita untuk memahami lebih dalam dan cepat, menjadi lebih kreatif, dan menguji ide dengan lebih percaya diri dan mudah, dan mengukur dampak lebih efektif. Teknologi ini — seperti semua teknologi lainnya — bukan untuk menggantikan manusia, tetapi membebaskan kita dari pengulangan dan membosankan dan memberdayakan kita untuk menjadi manusia tremendous.

Peter Day adalah CTO dari Quantcast

DataDecisionMakers

Selamat datang di komunitas VentureBeat!

DataDecisionMakers adalah tempat para ahli, termasuk orang teknis yang melakukan pekerjaan information, dapat berbagi wawasan dan inovasi terkait information.

Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan information dan teknologi information, bergabunglah dengan kami di DataDecisionMakers.

Anda bahkan mungkin mempertimbangkan menyumbangkan artikel milikmu sendiri!

Baca Lebih Lanjut Dari DataDecisionMakers

Total
0
Shares
Leave a Reply

Your email address will not be published.

Related Posts